知识体系的价格

原型 · 2026-10-30(按用户决定修订)· 整题合同:ArchitectureIQ v1.5 主榜 500 题;成对合同:其中 1500 个候选对 · 35 条真实 KB 主张,归为 10 族(8 族有声明域)

已定(2026-10-30,用户):计价单位是族;单条成对主张在成对合同上定价,体系仍在整题合同上定价,两份合同分开报、不合成;否决不定汇率,跨族否决按它对目标 (e, u) 的改变报价,族内否决作为族的参数;暂不做 LLM+KB 的 2×2 消融;标准读数是按族留一的转移表,不设回退(= 定义稿 §2.4 回退到直接训练),回退到截断试探或闭卷模型的数另报为“对某个使用者的价值”;不指定代表成员,族只报前沿,需要单个数时固定一轴来读;K0009、K0010 用名义学习率代替 Δ,算作位移族成员。

定义:KB_price_definition.md · 实例与不足:KB_price_report.md · 数字全部由 scripts/kbp_compute.py 从已有数据算出,没有调用模型、没有训练。

结论

各答案规则的坐标(整题合同)。 不回退时 u > 0;补全后 u = 0。ρ* 在各自的声明域上算。“*”:闭卷模型的推理开销按惯例记 0。“11*”:14 条里在本合同上有声明域的条数。
答案规则条目数作答题数ue(域内)cρ*(在声明域上)
位移族:K1001 原文(1 条)11560.68812.2%(上界 17.4%)0.0%18.5%
位移族:soa 的配置(K1001 + 校准 + 例外参数)72260.5488.4%(上界 12.1%)0.0%21.5%
位移族:被并入 K1001 的 14 条(合并前)11*540.89214.8%(上界 25.1%)0.0%12.0%
位移族:KB 全部成员202290.5428.7%(上界 12.4%)0.0%21.5%
架构类 7 族合计81190.76238.7%(上界 46.6%)0.0%2.0%
全 KB(8 族)283490.30218.9%(上界 22.7%)0.0%7.0%
全 KB + 回退到最强闭卷模型28 + 15000.00022.2%0*8.5%
全 KB + 回退到 10% 截断试探285000.00023.2%3.0%7.5%
位移族 + 回退到 10% 截断试探205000.00018.4%5.4%11.5%
最强闭卷模型(GPT-5.6 Sol)—5000.00023.6%0*7.0%
截断试探 10%(无知识)—5000.00020.6%10.0%基线本身

定义要点

来源标记:用户用户定的(含 2026-10-30 的决定);定义稿SAI 定义里已有的;本文提出本原型提出的。

族是计价单位 用户
只差参数的引理归为同一族。文本主张写成可执行引理时要补文本没给的阈值,阈值改变正确率和覆盖率;这些取舍是族内的位置,不是不同的知识,也不是知识之间的相互作用。本文提出 划分规则:同一机制、同一预测方向,只差参数;KB 自带的合并与引用记录作为初分。
族的价格是前沿 用户本文提出
在参数 θ 上的 (e(θ), u(θ), ρ*(θ)),不指定代表成员;需要单个数时固定一轴来读。KB 实际用的配置是前沿上的点。在合同上挑 θ 属于拟合,读数要注明交叉验证下的样本内偏差。
体系也是答案规则 本文提出
体系 = 条目集合 + 合成规则 σ(选择规则、传递闭合、可选回退)。体系的价格就是这条答案规则的价格,按整题合同报。
三轴与 ρ* 用户定义稿
e:声明域内误差;c:代价,直接跑完 = 1;u:不作答的测度。ρ* 在声明域上算,截断基线是同一个实验只跑一部分。不合成标量。
两份合同 用户
单条成对主张(只说 a 是否胜 b)在成对合同上定价:Ω 是 1500 个候选对。体系在整题合同上定价。两份分开报,不合成。
单条知识的两个读数 用户
“单独用”(族的前沿)和“全 KB 留一”(一次拿掉整族)。标准读数读边际域上的转移表,汇总成 Δ作答、Δ错题和新答题上的 ρ*,不设回退,等于 §2.4 回退到直接训练。回退到截断试探或闭卷模型的数另报,标为“对某个使用者的价值”。
否决 用户
不定汇率。否决把目标的声明域切开,归合法性核心;跨族否决按它对目标 (e, u) 的改变报价。族内否决是族的参数,体现在前沿上。
交互效应 本文提出
I_ij = f(K∪{i,j}) − f(K∪{i}) − f(K∪{j}) + f(K),i、j 是族。定理:只在两族都说话的题上非零。
主例:位移族内几个参数怎样合出一个答案。q_a4f1f7,bigram 语言模型,T = 1024 步。K1001 是族的默认成员:Δ 大的 B 胜 A。K1071 设定 bigram 的饱和带:Δ 超带的 B 反而输。K1012a 把范围扩到异构对:C 胜 A。K1012b 设定 margin:B、C 的 Δ 相同,不比。传递推出 C 胜 B。这是同一族不同参数的合成,不是不同知识的冲突。
K1071:A 胜 B ✓Δ 超过 0.1–0.3 的带反而输推翻了 K1001 的“B 胜 A”(Δ 大者胜)K1012a:C 胜 A ✓架构不同、Δ 相差 10 倍传递推出:C 胜 B ✓C 胜 A、A 胜 B ⇒ C 胜 BK1012b 禁止直接比较 B、C(Δ 相同)Atransformer_lm d_model32 L3Adam lr=0.0001 β2=0.999 · Δ=0.102Btransformer_lm d_model32 L3Adam lr=0.001 β2=0.95 · Δ=1.02C ★ 真实胜者gru_lm d_model64 L1AdamW lr=0.001 β2=0.95 · Δ=1.02

族的前沿

同一段文本要变成能执行的引理,必须补上文本没给的阈值。下图左边是位移族:K1001 原文说“饱和以下 Δ 大者胜”,没给 margin、饱和上限,也没说 SGD 要不要校准、架构不同的对算不算。把这几个参数扫一遍,得到 64 个成员;方块是 KB 实际用的配置。右边是 D* 族(K0329):临界点 D* 是补的参数,D*=0 和 D*=∞ 分别只用原文的后半句和前半句。

族的前沿(整题合同)。 同一族的成员在覆盖与误差之间取舍;前沿取在扫描成员与 KB 配置的并集上。悬停看每个成员的参数。
位移族的参数扫描成员(64 个)KB 实际用的配置前沿(右下更好)D* 族的成员
位移族:同一段文本,补不同的阈值0%4%8%12%16%60 题u=0.88100 题u=0.80140 题u=0.72180 题u=0.64220 题u=0.56260 题u=0.48作答题数(越右 u 越小)e(域内误差)K1001 原文K1001 + K1019 校准soa 的位移族成员(7 条)qwen 合并前(13 条)位移族全部(20 条)校准、margin 25%、上限 0.1校准、扩到异构对、不设上限D* 族(K0329):临界点 D* 是补的参数20%25%30%35%40%90 题100 题110 题120 题130 题D*=0:只用后半D*=0.05(原文)D*=∞:只用前半
数据表(位移族全部成员)
成员整题作答eρ*成对作答成对 e
不校准,无 margin,无上限,异构对 ≥4 倍24311.5%18.5%7769.9%
不校准,无 margin,上限 1,异构对 ≥4 倍24311.5%18.5%7769.9%
校准,无 margin,无上限,异构对 ≥4 倍24311.1%18.5%7728.9%
校准,无 margin,上限 1,异构对 ≥4 倍24311.1%18.5%7728.9%
不校准,无 margin,上限 0.3,异构对 ≥4 倍23710.5%18.5%7709.6%
不校准,margin 0.25,无上限,异构对 ≥4 倍23610.2%20.0%7579.0%
不校准,margin 0.25,上限 1,异构对 ≥4 倍23610.2%20.0%7579.0%
校准,无 margin,上限 0.3,异构对 ≥4 倍2369.7%20.0%7658.5%
校准,margin 0.25,无上限,异构对 ≥4 倍2369.7%21.0%7508.0%
校准,margin 0.25,上限 1,异构对 ≥4 倍2369.7%21.0%7508.0%
不校准,margin 1,无上限,异构对 ≥4 倍23510.2%20.0%7498.9%
不校准,margin 1,上限 1,异构对 ≥4 倍23510.2%20.0%7498.9%
校准,margin 1,无上限,异构对 ≥4 倍2359.8%21.0%7418.0%
校准,margin 1,上限 1,异构对 ≥4 倍2359.8%21.0%7418.0%
校准,margin 0.25,上限 0.3,异构对 ≥4 倍2319.1%21.0%7457.8%
不校准,margin 0.25,上限 0.3,异构对 ≥4 倍2309.1%21.0%7518.7%
校准,margin 1,上限 0.3,异构对 ≥4 倍2309.1%21.0%7367.7%
不校准,margin 1,上限 0.3,异构对 ≥4 倍2299.2%21.0%7438.6%
校准,无 margin,上限 0.1,异构对 ≥4 倍2065.3%20.5%7177.1%
不校准,无 margin,上限 0.1,异构对 ≥4 倍2056.3%19.0%7238.3%
校准,margin 0.25,上限 0.1,异构对 ≥4 倍2025.0%21.5%7016.3%
校准,margin 1,上限 0.1,异构对 ≥4 倍2025.0%21.5%6966.3%
不校准,margin 0.25,上限 0.1,异构对 ≥4 倍1995.0%21.5%7067.2%
不校准,margin 1,上限 0.1,异构对 ≥4 倍1995.0%21.5%7027.3%
校准,margin 3,无上限,异构对 ≥4 倍1928.9%18.5%6467.7%
校准,margin 3,上限 1,异构对 ≥4 倍1928.9%18.5%6467.7%
校准,margin 3,上限 0.3,异构对 ≥4 倍1918.9%18.5%6457.8%
不校准,margin 3,无上限,异构对 ≥4 倍1899.0%18.5%6438.1%
不校准,margin 3,上限 1,异构对 ≥4 倍1899.0%18.5%6438.1%
不校准,margin 3,上限 0.3,异构对 ≥4 倍1889.0%18.5%6428.1%
校准,margin 3,上限 0.1,异构对 ≥4 倍1695.9%18.5%6126.7%
不校准,margin 3,上限 0.1,异构对 ≥4 倍1666.0%18.5%6117.0%
不校准,无 margin,无上限15913.2%18.0%49211.0%
不校准,无 margin,上限 115913.2%18.0%49211.0%
校准,无 margin,无上限15912.6%18.5%4929.8%
校准,无 margin,上限 115912.6%18.5%4929.8%
不校准,无 margin,上限 0.315311.8%18.5%48610.5%
不校准,margin 0.25,无上限15211.2%19.0%4739.5%
不校准,margin 0.25,上限 115211.2%19.0%4739.5%
校准,无 margin,上限 0.315210.5%19.0%4859.1%
校准,margin 0.25,无上限15210.5%20.0%4708.3%
校准,margin 0.25,上限 115210.5%20.0%4708.3%
不校准,margin 1,无上限15111.3%19.0%4659.5%
不校准,margin 1,上限 115111.3%19.0%4659.5%
校准,margin 1,无上限15110.6%20.0%4618.2%
校准,margin 1,上限 115110.6%20.0%4618.2%
校准,margin 0.25,上限 0.31479.5%20.0%4658.0%
不校准,margin 0.25,上限 0.31469.6%20.0%4679.0%
校准,margin 1,上限 0.31469.6%20.0%4567.9%
不校准,margin 1,上限 0.31459.7%20.0%4598.9%
校准,无 margin,上限 0.11304.6%20.0%4496.9%
不校准,无 margin,上限 0.11296.2%18.5%4508.4%
校准,margin 0.25,上限 0.11264.0%21.5%4335.5%
校准,margin 1,上限 0.11264.0%21.5%4285.6%
不校准,margin 0.25,上限 0.11234.1%21.5%4336.7%
不校准,margin 1,上限 0.11234.1%21.5%4296.8%
校准,margin 3,无上限1089.3%18.5%3667.9%
校准,margin 3,上限 11089.3%18.5%3667.9%
校准,margin 3,上限 0.31079.3%18.5%3657.9%
不校准,margin 3,无上限1059.5%18.5%3598.1%
不校准,margin 3,上限 11059.5%18.5%3598.1%
不校准,margin 3,上限 0.31049.6%18.5%3588.1%
校准,margin 3,上限 0.1935.4%18.0%3446.1%
不校准,margin 3,上限 0.1905.6%18.0%3386.2%
KB:K1001 原文15612.2%18.5%48810.5%
KB:K1001 + K1019 校准15711.5%19.0%4899.4%
KB:soa 的位移族成员(7 条)2268.4%21.5%7397.4%
KB:qwen 合并前(13 条)7311.0%23.0%2759.1%
KB:位移族全部(20 条)2298.7%21.5%7447.8%

两点值得注意。第一,KB 的配置(全部 20 条、soa 的 7 条)落在前沿上,比 4 个通用参数扫出来的同覆盖成员略好:K1071、K1072 这类按任务族定的饱和带不在通用参数里。所以前沿要在扫描成员和 KB 配置的并集上取。扫描也没有代理量这一维:K0009、K0010(名义学习率代替 Δ)只通过 KB 配置进入前沿,含它们的是“qwen 合并前(13 条)”和“位移族全部(20 条)”两个配置。第二,ρ* 在整条前沿上几乎不变(18.5%–21.5%):变的是覆盖与误差的配比,单位题目上值多少试探算力基本稳定。

族不指定代表成员。需要单个数时,固定一轴来读另一轴:

位移族:固定一轴的读数。 在全部成员(扫描成员与 KB 配置)里读取。
固定的轴另一轴的读数达到它的成员
固定 e ≤ 5%最多答 202 题(e = 5.0%,ρ* = 21.5%)校准,margin 1,上限 0.1,异构对 ≥4 倍
固定 e ≤ 10%最多答 236 题(e = 9.7%,ρ* = 20.0%)校准,无 margin,上限 0.3,异构对 ≥4 倍
固定作答 ≥ 150 题e 最低 5.0%(答 202 题,ρ* = 21.5%)校准,margin 0.25,上限 0.1,异构对 ≥4 倍
固定作答 ≥ 230 题e 最低 9.1%(答 231 题,ρ* = 21.0%)校准,margin 0.25,上限 0.3,异构对 ≥4 倍

这些读数是在本合同上挑出来的,属于样本内:两折交叉验证(40 折)下,按误差最小挑成员时,样本内误差平均比留出部分低 1.8 点(标准差 3.0)。

族与体系在三轴上的位置

不回退时规则 c = 0,比较落在 (u, e) 平面。位移族覆盖多、误差小;架构类各族要么只答几题,要么误差很大。

各族单独用(KB 的配置)与全 KB 的 (u, e)。 横轴是作答题数(对数刻度),等价于 u;竖线是 e 的 95% 单侧上界。
位移族(单独用)架构类各族(单独用)全 KB(8 族)最强闭卷模型
0%20%40%60%80%100%1 题u=0.9983 题u=0.99410 题u=0.9830 题u=0.94100 题u=0.8300 题u=0.4500 题u=0作答题数(对数刻度)= 500 ×(1 − u)。越往右 u 越小;右下方向更好e(域内误差)位移族D* 族(K0329)螺旋深残差K0052K0238K0033全部 8 族最强闭卷模型K0055、K0078 两族单独用时一道整题也答不出(只在成对合同上有价格)。竖线是 e 的 95% 单侧上界:只答几题时上界很宽。
数据表
对象作答题数uee 的 95% 上界
最强闭卷模型5000.00023.6%—
全部 8 族3490.30218.9%22.7%
位移族2290.5428.7%12.4%
D* 族(K0329)1090.78233.0%41.2%
K0033110.97872.7%92.1%
K023880.9840.0%31.2%
螺旋深残差40.9920.0%52.7%
K005210.9980.0%95.0%

补全以后 u = 0,比较落在 (c, e) 平面。蓝线是不带知识的截断试探;橙、绿两线是“规则作答,规则不答的题回退到试探 ρ_f”,ρ_f 从 0.5% 扫到 100%,整体代价只有 u·ρ_f。

代价—误差平面上的补全体系与前沿交叉。 横向连线就是 ρ*:从一个点水平移到蓝线,读出纯试探要花多少才能追平同样的误差。圈出的交叉点之后,规则锁死的错误比试探更贵。闭卷模型 c 记 0,单列在左侧。
截断试探(无知识)优化器簇 + 回退到试探全部规则 + 回退到试探闭卷模型(c 记 0,左列)
0%10%20%30%40%50%0.1%0.3%1%3%10%30%100%c = 0c:代价(对数刻度),直接训练 = 100%。规则记 0;回退到试探的题记 ρ_fe(误差,u = 0)最强ρ* = 11.5%优化器簇 + 10% 试探:c = 5.4%,误差 18.4%纯试探要 c = 11.5% 才追平ρ* = 7.0%最强闭卷模型误差 23.6%,纯试探 c = 7.0% 追平交叉 c≈23%交叉 c≈52%
数据表(每 12 个网格点取 1 个)
曲线试探预算 ρ_fce
截断试探(无知识)0.5%0.5%46.0%
截断试探(无知识)6.5%6.5%25.4%
截断试探(无知识)12.5%12.5%20.0%
截断试探(无知识)18.5%18.5%15.6%
截断试探(无知识)24.5%24.5%12.6%
截断试探(无知识)30.5%30.5%10.0%
截断试探(无知识)36.5%36.5%7.2%
截断试探(无知识)42.5%42.5%6.4%
截断试探(无知识)48.5%48.5%5.0%
截断试探(无知识)54.5%54.5%3.2%
截断试探(无知识)60.5%60.5%2.8%
截断试探(无知识)66.5%66.5%2.0%
截断试探(无知识)72.5%72.5%0.6%
截断试探(无知识)78.5%78.5%0.6%
截断试探(无知识)84.5%84.5%0.0%
截断试探(无知识)90.5%90.5%0.0%
截断试探(无知识)96.5%96.5%0.0%
优化器簇 + 回退到试探0.5%0.3%32.2%
优化器簇 + 回退到试探12.5%6.8%18.0%
优化器簇 + 回退到试探24.5%13.3%13.4%
优化器簇 + 回退到试探36.5%19.8%9.0%
优化器簇 + 回退到试探48.5%26.3%7.8%
优化器簇 + 回退到试探60.5%32.8%6.0%
优化器簇 + 回退到试探72.5%39.3%4.4%
优化器簇 + 回退到试探84.5%45.8%4.0%
优化器簇 + 回退到试探96.5%52.3%4.0%
全部规则 + 回退到试探0.5%0.2%29.8%
全部规则 + 回退到试探12.5%3.8%22.4%
全部规则 + 回退到试探24.5%7.4%19.6%
全部规则 + 回退到试探36.5%11.0%17.0%
全部规则 + 回退到试探48.5%14.6%16.0%
全部规则 + 回退到试探60.5%18.3%15.0%
全部规则 + 回退到试探72.5%21.9%13.6%
全部规则 + 回退到试探84.5%25.5%13.2%
全部规则 + 回退到试探96.5%29.1%13.2%

选择规则也是价格的一部分

同一组规则,只换“几条都说话时听谁的”,体系就移到别的位置。按族来看,选择规则有两层:族内听哪个成员,是族的参数(前沿上的位置);族与族之间听谁的,才是体系层面的选择。下图把两层放在一起换。

五种选择规则下的 (u, e)。 左右两图各自缩放到数据范围;灰点是神谕上界(不可部署)。
全部 28 条规则15.9%17.2%18.5%19.7%21.0%0.2540.2770.3000.3230.346u(不作答的比例)→具体者优先置信度优先多数表决全体一致才作答神谕上界优化器簇 20 条规则7.1%8.3%9.4%10.6%11.7%0.5040.5200.5370.5540.570u(不作答的比例)→具体者优先置信度优先多数表决全体一致才作答神谕上界
数据表
规则集选择规则作答题数ueρ*
全部 28 条规则具体者优先3490.30218.9%7.0%
全部 28 条规则置信度优先3580.28419.8%7.0%
全部 28 条规则多数表决3420.31617.8%8.0%
全部 28 条规则全体一致才作答3330.33417.1%8.5%
全部 28 条规则神谕上界3670.26616.9%9.0%
全部 28 条规则具体者优先·不用传递3480.30419.0%7.0%
优化器簇 20 条规则具体者优先2290.5428.7%21.5%
优化器簇 20 条规则置信度优先2380.52410.5%20.0%
优化器簇 20 条规则多数表决2300.5409.6%20.0%
优化器簇 20 条规则全体一致才作答2210.5588.1%21.5%
优化器簇 20 条规则神谕上界2420.5169.1%21.5%
优化器簇 20 条规则具体者优先·不用传递2280.5448.8%21.5%

族的边际作用

边际作用按族留一:从全 KB 里一次拿掉整族,看答案怎么变。标准读数就是这张转移表,汇总成 Δ作答、Δ错题和新答题上的 ρ*,不设回退(= 定义稿 §2.4 回退到直接训练)。回退到截断试探或闭卷模型的数在第二张表里另报,标为“对某个使用者的价值”。

按族留一(全 KB,具体者优先)。 蓝色 = 向原点(改进),红色 = 远离原点(变差);作答题数越多越好,其余各列越小越好。
族转移(去掉该族 → 全 KB)Δ作答题数Δ错题数新答题:准确率 / ρ*Δe(点)Δc(点)
位移族
位移族:累计位移 Δ 大者胜(饱和以下)(20 条)
不答→对 210,不答→错 20 +230 +2091% / 21.5% +4.0 -46.0
D* 族(K0329)
架构选择的位移临界点(K0329)(1 条)
不答→对 57,不答→错 38 +95 +3860% / 1.5% +7.6 -19.0
K0033
小 lr:pre-LN 残差网络起步慢(1 条)
对→错 6,对→不答 5,不答→错 5,错→对 1,不答→对 1 +1 +1017% / <0.5% +2.0 -0.2
K0238
Bigram:GRU 胜 Transformer(1 条)
不答→对 9 +9 0100% / 51.5% 0 -1.8
K0052
Bigram:单层 Transformer 胜多层(1 条)
不答→对 1 +1 0100% / <0.5% 0 -0.2
螺旋深残差
螺旋:深的残差 LN 网络胜浅网络(2 条)
— 0 0— 0 0
K0055
表格分类:3–4 层残差胜 ≥5 层(1 条)
错→错 1 0 0— 0 0
K0078
极小 lr:全层 LN 的非残差网络胜部分 LN(1 条)
— 0 0— 0 0

“转移”逐题列出全 KB 与“去掉该族”相比答案怎么变。标准读数不设回退:Δe = Δ错题数 / 500,Δc = −Δ作答题数 / 500(每多答一题省一次完整训练),等于定义稿 §2.4 回退到直接训练。位移族作为一个单位留一:多答 230 题、多错 20 题;族内 20 条逐条留一相加只有 111 题、6 个错。

另报:对某个使用者的价值

族使用者的回退是 10% 截断试探使用者的回退是最强闭卷模型
Δe(点)Δc(点)Δe(点)
位移族
位移族:累计位移 Δ 大者胜(饱和以下)(20 条)
-2.2 -4.6 -0.2
D* 族(K0329)
架构选择的位移临界点(K0329)(1 条)
+4.2 -1.9 -0.6
K0033
小 lr:pre-LN 残差网络起步慢(1 条)
+1.6 ≈0 +1.4
K0238
Bigram:GRU 胜 Transformer(1 条)
-0.2 -0.2 -0.6
K0052
Bigram:单层 Transformer 胜多层(1 条)
-0.2 ≈0 0
螺旋深残差
螺旋:深的残差 LN 网络胜浅网络(2 条)
0 0 0
K0055
表格分类:3–4 层残差胜 ≥5 层(1 条)
0 0 0
K0078
极小 lr:全层 LN 的非残差网络胜部分 LN(1 条)
0 0 0

这两列不是族的价格:它们回答“对一个把其余题交给 10% 截断试探或交给最强闭卷模型的使用者,这族值多少”,符号可以和标准读数相反。

标准读数和“对使用者的价值”的符号可以相反。D* 族的标准读数是 Δe = +7.6 点、Δc = -19.0 点;对回退到 10% 试探的使用者,Δe = +4.2 点;对回退到最强闭卷模型的使用者却是 -0.6 点,因为模型在架构题上本来就弱。位移族新答的 230 题准确率 91.3%,在这些题上值 ρ* = 21.5% 的试探;D* 族新答的 95 题准确率 60.0%,只值 1.5%。

族内成员的留一(只作参考:成员彼此冗余,逐条留一会漏掉族的大半功劳)
规则种类单独用留一(全部规则,不回退)回退到最强模型回退到 10% 试探
作答eΔ作答题数Δ错题数Δe(点)Δe(点)Δe(点)
K0329
架构选择的位移临界点 D*≈0.05
架构10933.0% +95 +38 +7.9 -0.6 +4.2
K1012a
混合配方:Δ 差 ≥4 倍且在饱和以下,Δ 大者胜
优化器808.8% +79 +7 -2.9 0 0
K1001
位移代理:同模型比较,累计位移 Δ 大者胜(合并版)
优化器15612.2% +43 +4 -1.4 +0.2 -0.4
K1004
多变量 MSE:Adam/RMSprop 学习率比 ≥3 不足以判胜负
否决0— -10 -2 ≈0 0 +0.2
K0033
小 lr:pre-LN 残差起步慢
架构1172.7% +1 +10 +2.8 +1.4 +1.6
K0238
Bigram、T≤512:GRU 胜 Transformer
架构80.0% +9 0 -0.5 -0.6 -0.2
K1012b
Δ 接近(差 <25%)不构成胜负证据
否决0— -3 -1 -0.1 +0.2 0
K0019
T≈500–2000:按累计位移排序优化器
优化器2420.8% +1 +1 +0.2 0 0
K1019
SGD 对自适应:按分族校准的 Δ 比较
优化器287.1% 0 -1 -0.3 -0.2 -0.2
K1071
Bigram:位移超带反而输
优化器90.0% 0 -1 -0.3 0 0
K1072
单变量 MSE:Δ≥1 有过冲风险,适中 Δ 胜
优化器0— 0 -1 -0.3 -0.2 -0.2
K0044
XOR、T≤256:按有效步长排序
优化器110.0% +1 0 -0.1 0 0
K0052
Bigram、T≤256:单层 Transformer 胜多层
架构10.0% +1 0 -0.1 0 -0.2

蓝色 = 向原点(改进),红色 = 远离原点(变差)。作答题数是越多越好(u 越小),其余各列越小越好。回退到 10% 试探时,代价的变化恰为 Δc = −10% × Δ作答题数 / 500(规则不花代价,少回退一题省 10%)。留一边际作用在四种口径下全为 0 的 15 条:K0009, K0010, K0016, K0020, K0030, K0031, K0038, K0055, K0078, K0101, K0124, K0138, K0184, K0198, K0228。它们在本合同上经验冗余。

族与族之间的关系

只有跨族的关系才算知识之间的相互作用。下图是 8 个有声明域的族两两之间的关系:大部分格子是空的,表示两族从不在同一题说话,合用时 Δ作答、Δ错题都直接相加。

族间关系。 颜色是关系类型,数字是对应的候选对或题数。悬停看细节。
冲突(数字:冲突的候选对)一致重叠,即冗余(数字:重叠的候选对)组合(数字:合起来才答出的题)同题说话但无交互从不同题:可加
D* 族(K0329)螺旋深残差10K0052K02381K00551K0078K0033251位移族D* 族(K0329)螺旋深残差K0052K0238K0055K0078
位移族内部:成员之间的重叠与参数分歧(原型第一版的成员矩阵)
位移族内成员两两之间的重叠(蓝)与分歧(橙点)。 这些是同一族不同参数之间的分歧,不是知识之间的冲突。
soa(合并后)qwen(合并前)K1001K1019K1012aK1012bK1071K1072K1004K0019K0009K0031K0016K0124K0010K0101K0228K0138K0020K0184K0198K0044重叠的候选对数1–23–910–2930–99≥100有冲突或否决(点越大越多)

族内:参数分歧与冗余

合并:K1001 吸收了 14 条旧主张

soa KB 把 14 条 qwen 主张合并成 K1001(KB 文件里的 merged_from 字段)。它们本来就是位移族的成员。被并入的条目中有 11 条在本合同上有声明域:9 条加在 K1001 之上边际作用为 0,另外 3 处单对分歧都是 K1001 对。合并丢掉的 7 题都被 soa 的其余成员答回。按族来看,这是族内的合并,族的价格不变。

被并入 K1001 的成员:声明域里有多少被 K1001 覆盖、是否一致。
与 K1001 一致与 K1001 冲突K1001 没覆盖
K0019(T≈500–2000:按累计…)105105K0009(T≤500:稳定范围内学习率…)9596K0031(T≤256:优化器和学习率压…)171835K0010(XOR、T≤256:lr≤1…)1820K0124(XOR:SGD(lr≤1e-…)910K0020(语言模型、T≤256:Ada…)78K0138(T≤256:Adagrad …)77K0184(螺旋:有效 lr≤3e-4 …)66K0016(MSE、T≤500:Adam…)55K0228(XOR、T≤256:Adam…)3K0101(多变量、T≈2000:Ada…)2

阈值与范围:成员在哪里说话

K0019(T ≈ 500–2000)和 K0198(T ≤ 256)是同一机制的两个范围参数,声明域不相交;两者都落在 K1001 之内。

位移族成员在各训练步数 T 上的声明域(候选对数)。
规则T = 256T = 512T = 1024T = 2048
K1001
位移代理:同模型比较,累计位移 Δ 大者胜(合并版)
2641118132
K0019
T≈500–2000:按累计位移排序优化器
—563613
K0198
分类、T≤256:自适应优化器按 Δ 排序
64———
K0044
XOR、T≤256:按有效步长排序
30———
K0009
T≤500:稳定范围内学习率最大者胜
6630——

参数分歧:例外参数在自己的范围里对不对

K1071(饱和带)与 K1019(校准)在与默认值分歧的候选对上各对 6 次;这说明在这些范围里,例外参数比默认参数更接近前沿。它们是族内的参数取值,不按相互作用报。

位移族内的参数分歧。
按例外参数对按默认参数对都错
K1071 对 K1001(参数:饱和带)628K1019 对 K1001(参数:SGD 校准)617K1071 对 K0019(参数:饱和带)44K1072 对 K1001(参数:饱和上限)11

K1012b(margin)和 K1004(范围排除)是族内的否决参数:它们把族默认成员的声明域切开。按已定的方式,族内否决体现在前沿上;下表给出它们切开的位置,供对照。K1012b 切走的 17 对上 K1001 错 35.3%,留下部分错 9.6%;K1004 切走的部分错 14.3%,与留下部分(10.3%)相差不大。

族内否决参数切走的结论原本是对是错。
切走的结论原本是错的切走的结论原本是对的
K1012b 切走 K1001 的结论61117K1004 切走 K1001 的结论21214K1012b 切走 K1019 的结论358K1004 切走 K0009 的结论55
否决参数怎样切开目标成员的声明域(成对合同)。 本 KB 没有跨族否决,所以没有按“对目标 (e, u) 的改变”单独报价的条目。
否决参数 → 目标成员切走的候选对留下部分的 e切走部分的 e目标的 u
K1012b 切 K100117 / 4889.6%35.3%0.675 → 0.686
K1012b 切 K10198 / 1764.8%37.5%0.883 → 0.888
K1004 切 K100114 / 48810.3%14.3%0.675 → 0.684
K1004 切 K00095 / 968.8%0.0%0.936 → 0.939

族内否决参数:margin 切走一个错答

K1012b 设定 margin:两者 Δ(校准后)相差不到 25% 时不下结论。它切走了 K1001 在 A、B 之间的错误结论,这道题于是不作答。回退到 10% 截断试探能答对,回退到最强闭卷模型仍然答错。

q_168793 · multivariate_regression · optimizer_only · T = 1024 步

候选架构优化器配方Δ(默认)Δ(K1019 校准)真实 test_mse(10 种子均值)
AMLP d2 w32 plain LN1/2 siluAdamW lr=0.001 β2=0.95 wd=01.0241.0241.226 ± 0.03
B ★MLP d2 w32 plain LN1/2 siluSGD lr=0.003 m=0.9 wd=00.30720.92161.099 ± 0.051
CMLP d2 w32 plain LN1/2 siluAdamW lr=0.0001 β2=0.95 wd=0.0010.10240.10241.215 ± 0.02
  • A 对 B(真值 B 胜):K1001:A 胜 B ✗;K1012b:禁止下结论
  • A 对 C(真值 C 胜):K1001:A 胜 C ✗
  • B 对 C(真值 B 胜):K1001:B 胜 C ✓

体系(K1001 + K1012b)不作答;真值 B。全部规则体系不作答;最强闭卷模型答 A;10% 截断试探选 B。

族内校准参数:K1019 把默认成员的错答改对

带动量的 SGD 在 MSE 任务上,K1019 取 g = 0.03(默认 0.01),A 的 Δ 从 0.026 变成 0.077,超过 Adagrad 的 0.032。默认成员选 B(错);用上校准参数后选 A(对)。

q_5cc19c · univariate_regression · optimizer_only · T = 256 步

候选架构优化器配方Δ(默认)Δ(K1019 校准)真实 test_mse(10 种子均值)
A ★MLP d3 w64 res LN1/3 reluSGD lr=0.001 m=0.9 wd=00.02560.07680.00197 ± 0.00092
BMLP d3 w64 res LN1/3 reluAdagrad lr=0.001 wd=0.0010.0320.0320.09682 ± 0.058
CMLP d3 w64 res LN1/3 reluSGD lr=3e-05 m=0.9 wd=1e-050.0007680.0023041.699 ± 0.17
  • A 对 B(真值 A 胜):K1001:B 胜 A ✗;K1019:A 胜 B ✓
  • A 对 C(真值 A 胜):K1001:A 胜 C ✓
  • B 对 C(真值 B 胜):K1001:B 胜 C ✓;K1019:B 胜 C ✓

体系(K1001 + K1019,具体者优先)答 A;真值 A。全部规则体系答 A;最强闭卷模型答 A;10% 截断试探选 A。

族内两个成员各管一对:K1019 与 K0009

K1019 只比 SGD 与自适应优化器,K0009 只比两个自适应优化器的学习率。单独都选不出胜者,合起来答对。它们都是位移族的成员,所以这是族内覆盖互补,不是跨族组合。

q_0f9cad · univariate_regression · optimizer_only · T = 512 步

候选架构优化器配方Δ(默认)Δ(K1019 校准)真实 test_mse(10 种子均值)
AMLP d4 w64 plain LN1/4 reluRMSprop lr=3e-05 wd=00.015360.015360.7292 ± 0.008
B ★MLP d4 w64 plain LN1/4 reluAdam lr=0.003 β2=0.999 wd=0.00011.5361.5360.3159 ± 0.064
CMLP d4 w64 plain LN1/4 reluSGD lr=0.001 wd=00.005120.005120.7739 ± 0.0065
  • A 对 B(真值 B 胜):K0009:B 胜 A ✓
  • A 对 C(真值 A 胜):K1019:A 胜 C ✓
  • B 对 C(真值 B 胜):K1019:B 胜 C ✓

体系(K1019 + K0009,具体者优先)答 B;真值 B。全部规则体系答 B;最强闭卷模型答 B;10% 截断试探选 B。

跨族:冲突、冗余与组合

跨族冲突只有一处规模可观:K0033 族说小学习率下 pre-LN 残差网络起步慢,D* 族在位移很小时说 LayerNorm 层数多者胜,两者预测方向相反。冲突的 25 个候选对里,D* 族对 23 次。

跨族冲突。
K0033 对K0329 对都错
K0033 对 K0329(跨族)22325

跨族干扰:K0033 推翻 D* 族

D* 族在位移很小时(D < 0.05)按 LayerNorm 层数选 B(对)。K0033 选无残差无 LN 的 A。K0033 声明域更小,具体者优先听它的,全 KB 答错。最强闭卷模型答对了这题。

q_79a1e9 · univariate_regression · architecture_only · T = 256 步

候选架构优化器配方Δ(默认)Δ(K1019 校准)真实 test_mse(10 种子均值)
AMLP d1 w192 plain LN0/1 siluAdagrad lr=0.0001 wd=00.00320.00320.3905 ± 0.0065
B ★MLP d5 w96 res LN3/5 leaky_reluAdagrad lr=0.0001 wd=00.00320.00320.1075 ± 0.041
CMLP d1 w192 res LN1/1 leaky_reluAdagrad lr=0.0001 wd=00.00320.00320.3219 ± 0.032
  • A 对 B(真值 B 胜):K0329:B 胜 A ✓;K0033:A 胜 B ✗
  • A 对 C(真值 C 胜):K0329:C 胜 A ✓;K0033:A 胜 C ✗
  • B 对 C(真值 B 胜):K0329:B 胜 C ✓

体系(K0329 + K0033,具体者优先)答 A;真值 B。全部规则体系答 A;最强闭卷模型答 B;10% 截断试探选 B。

跨族组合:位移族与 K0238 各管一对

位移族比较 A、C(同为 GRU,Δ 大者胜),K0238 比较 B、C(同一优化器,GRU 胜 Transformer)。两族单独都答不出,合起来答对。

q_14d21e · bigram_lm · mixed · T = 512 步

候选架构优化器配方Δ(默认)Δ(K1019 校准)真实 test_ce(10 种子均值)
Agru_lm d_model64 L2Adagrad lr=0.0003 wd=0.00010.013580.013583.433 ± 0.0029
Btransformer_lm d_model32 L4Adam lr=0.0001 β2=0.999 wd=00.05120.05123.334 ± 0.02
C ★gru_lm d_model64 L2Adam lr=0.0001 β2=0.999 wd=00.05120.05123.23 ± 0.0073
  • A 对 B(真值 B 胜):这组规则都不说话
  • A 对 C(真值 C 胜):K1001:C 胜 A ✓;K1071:C 胜 A ✓;K0019:C 胜 A ✓
  • B 对 C(真值 C 胜):K0238:C 胜 B ✓

体系(K0019 + K0238 + K1001 + K1071,具体者优先)答 C;真值 C。全部规则体系答 C;最强闭卷模型答 C;10% 截断试探选 C。

跨族冗余:螺旋深残差族在 10 个候选对上与 D* 族全部一致,它在全 KB 里的留一边际作用为 0。这是经验冗余:换一个更宽的合同,两族可能分开。

误差传递:前提误差在哪个分布下测得

合用才答出的题,结论的误差不超过“本域前提误差之和”,这一条在全部 8 组里都成立;用宽域误差相加的界有 2 组失效。表里多数组合是位移族内两个成员的成对结论合成答案;推理核心的这条规则对族内、跨族同样适用。

合用答案的误差传递检验。 红底行:宽域界失效。
两条前提合用才答出的题结论的实际错误率宽域前提误差之和宽域界本域前提误差之和按测度放大的界
K1001 + K1012a 族内40.0%23.6%成立0.0%100.0%
K1019 + K0019 族内50.0%24.6%成立20.0%100.0%
K1019 + K0009 族内248.3%20.6%成立29.2%79.2%
K1019 + K0198 族内110.0%12.5%成立18.2%100.0%
K1012a + K1071 族内30.0%14.0%成立0.0%100.0%
K1071 + K0009 族内714.3%12.3%失效28.6%100.0%
K0019 + K0009 族内540.0%25.0%失效60.0%100.0%
K0184 + K0198 族内40.0%0.0%成立0.0%0.0%

“前提”指推出答案用到的全部成对结论(含传递链中间那一对)。宽域之和:每条前提取它在自己全部声明域上的成对误差,逐题相加再平均。本域之和:每题里实际出错的前提数,再平均;三个候选时答案错必有前提错,所以它一定不小于实际错误率。按测度放大:假设一条规则在宽域上的全部错误都落在这些题上。

成对合同

只说“a 是否胜 b”的成对主张,在整题合同上往往一题也答不出。按已定的方式,另设成对合同给它们定价:Ω 是 500 题里的 1500 个候选对(其中 1380 对的胜负超过 2 个标准误),截断基线在成对上取两者中当前领先者,10% 预算时成对准确率 81.4%。成对价格与整题价格分开报,不合成。

各族在成对合同上的价格。 单条主张的成对价格可展开查看。
族作答的候选对uee(显著对)成对 ρ*
位移族7440.5047.8%(上界 9.6%)6.5%26.5%
D* 族(K0329)3370.77531.5%(上界 35.9%)29.9%4.0%
螺旋深残差100.99320.0%(上界 50.7%)22.2%4.0%
K005290.99444.4%(上界 74.9%)44.4%0.5%(<最小网格)
K0238170.9890.0%(上界 16.2%)0.0%0.5%(<最小网格)
K005540.99725.0%(上界 75.1%)33.3%1.5%
K007810.9990.0%(上界 95.0%)0.0%0.5%(<最小网格)
K0033420.97276.2%(上界 86.5%)82.1%0.5%(<最小网格)
单条成对主张(26 条)
主张作答的候选对uee(显著对)成对 ρ*
K1001 位移族4880.67510.5%(上界 13.0%)9.2%18.0%
K0329 D* 族(K0329)3370.77531.5%(上界 35.9%)29.9%4.0%
K1012a 位移族2800.8137.5%(上界 10.6%)5.2%25.0%
K1019 位移族1760.8836.2%(上界 10.1%)4.8%9.0%
K0019 位移族1050.93013.3%(上界 20.1%)10.9%12.5%
K0009 位移族960.9368.3%(上界 14.5%)7.4%18.0%
K0198 位移族640.9570.0%(上界 4.6%)0.0%60.0%
K1071 位移族500.9674.0%(上界 12.1%)4.2%79.0%
K0033 K0033420.97276.2%(上界 86.5%)82.1%0.5%(<最小网格)
K0031 位移族350.9772.9%(上界 12.9%)2.9%69.5%
K0044 位移族300.9800.0%(上界 9.5%)0.0%15.0%
K0010 位移族200.9875.0%(上界 21.6%)5.6%2.5%
K0238 K0238170.9890.0%(上界 16.2%)0.0%0.5%(<最小网格)
K0124 位移族100.99310.0%(上界 39.4%)10.0%2.0%
K0038 螺旋深残差100.99320.0%(上界 50.7%)22.2%4.0%
K0052 K005290.99444.4%(上界 74.9%)44.4%0.5%(<最小网格)
K0020 位移族80.9950.0%(上界 31.2%)0.0%0.5%(<最小网格)
K0138 位移族70.9950.0%(上界 34.8%)0.0%2.0%
K0184 位移族60.9960.0%(上界 39.3%)0.0%5.5%
K0016 位移族50.9970.0%(上界 45.1%)0.0%7.5%
K0055 K005540.99725.0%(上界 75.1%)33.3%1.5%
K0228 位移族30.9980.0%(上界 63.2%)0.0%0.5%(<最小网格)
K0030 螺旋深残差30.9980.0%(上界 63.2%)0.0%3.0%
K0101 位移族20.9990.0%(上界 77.6%)0.0%0.5%(<最小网格)
K1072 位移族10.9990.0%(上界 95.0%)0.0%1.0%
K0078 K007810.9990.0%(上界 95.0%)0.0%0.5%(<最小网格)

部署中的 LLM + KB 体系

旧实验里,KB 是注入 LLM 提示的自然语言条目,选择规则就是“渲染哪些条目给模型看”。同一个 KB、同一批 120 题次,渲染策略不同,体系的价格就不同。按 (epoch, 题) 配对比较带 KB 臂:置信度前 40 + 试用槽比 PUCT 前 20 高 +20.0 ± 5.0 点。但三组“不带 KB”臂本身(同一模型、同一批题)相差可达 4.2 点,PUCT 两组的 ±3.3 点提升都在 1 个标准误之内。已定:暂不做 2×2 消融。

不带 KB → 带 KB(同一 LLM,qwen3.8-max,low effort)。 标注为提升 ± 配对 1 SE。
不带 KB(同一 LLM 闭卷)带 KB同一批题上 10% 截断试探
30%40%50%60%70%80%90%准确率(同题同种子配对);竖短线 = 同一批题上 10% 截断试探的准确率置信度前40+试用槽120 题次 / 91 道题+15.8 ± 5.0 点PUCT 前40120 题次 / 91 道题+3.3 ± 5.0 点PUCT 前20120 题次 / 91 道题-3.3 ± 4.7 点架构线全程(16 轮)232 题次 / 132 道题+13.4 ± 3.9 点混合题型线150 题次 / 129 道题+6.0 ± 3.6 点
数据表
设置题次不带 KB带 KB提升(点,±1 SE)ρ* 不带ρ* 带10% 截断
置信度前40+试用槽12045.8%61.7%+15.8 ± 5.01.0%5.0%71.7%
PUCT 前4012049.2%52.5%+3.3 ± 5.01.0%2.0%71.7%
PUCT 前2012045.0%41.7%-3.3 ± 4.70.5%0.5%71.7%
架构线全程(16 轮)23246.6%59.9%+13.4 ± 3.90.5%2.0%73.7%
混合题型线15066.0%72.0%+6.0 ± 3.62.5%4.0%80.0%

定义在哪里不够用

  1. 族的划分要人来定。 本原型按“同一机制、同一预测方向,只差参数”划分,用 KB 的合并与引用记录作初分。本 KB 的边界情形(K0009、K0010 用名义学习率代替 Δ,K1071 在饱和带以上把方向反过来)已由用户定为位移族成员。
  2. 族的参数空间写不全。 4 个通用参数扫不出 KB 按任务族定的饱和带,也没有代理量这一维,所以前沿取在扫描成员与 KB 配置的并集上;参数空间的边界本身是一个建模选择。
  3. 标准读数不选 ρ_f,代价也就只按“省下的完整训练”计。 转移表读数相当于回退到直接训练;“规则锁死的错误比试探更贵”这类预算相关的判断,要看“对使用者的价值”和代价—误差平面上的交叉。
  4. 跨族否决在本 KB 里没有实例。 已定的报价方式(按对目标 (e, u) 的改变)在本原型里无法检验。
  5. 闭包只做到传递性。 冗余是在本合同上测出来的经验冗余,换一个更宽的 Ω 可能不再冗余。
  6. c 轴在规则体系里退化成 0。 代价只通过回退和 ρ* 出现;闭卷模型的推理开销记 0 只是惯例。
  7. 小声明域上的 e 和 ρ* 不稳定。 答对 5 题、错 0 题时,e 的 95% 上界是 45%。
  8. 成对合同的真值有噪声。 1500 个候选对里有 120 对的胜负不到 2 个标准误;表里另报了只算显著对的 e。

规则清单

35 条主张(K1012 拆为 a、b 两条),按族排列;灰色行在 v1.5 上声明域为空。展开可看 KB 原文与我们的操作化。

规则族KB种类置信度内容候选对成对准确率整题作答e
K0009位移族qwen正向0.73T≤500:稳定范围内学习率最大者胜(并入 K1001)
族内参数:代理量换成名义学习率(T≤512,自适应优化器)
9691.7%110.0%
原文与操作化

Under tight step budgets (T <= ~500 steps) where candidates share identical architecture and loss function, optimization progress is dominated by step magnitude; the largest learning rate that maintains numerical stability (e.g., adaptive optimizer lr ~ 1e-3 on small MLPs) achieves superior convergence compared to smaller learning rates (lr <= 1e-4) that leave weights under-trained near initialization.

操作化:同架构、T≤512、两方都是自适应优化器:小的一方 lr≤1e-4、大的一方 lr≥3e-4 且至少 3 倍时,lr 大者胜。原文按名义学习率比较,不换算 Δ。

K0010位移族qwen正向0.75XOR、T≤256:lr≤1e-4 卡在 ln2(并入 K1001)
族内参数:代理量换成名义学习率(XOR、T=256,lr≤1e-4 判卡住)
2095.0%50.0%
原文与操作化

Learning non-linear feature interactions (such as XOR) requires moving weights significantly beyond the near-linear initialization regime; under short optimization budgets (T <= ~256 steps), undersized learning rates (lr <= 1e-4) produce insufficient logit displacement, leaving classification loss stuck near chance level (cross-entropy ~ ln(2) ≈ 0.693).

操作化:xor、T=256、同架构:一方 lr≤1e-4、另一方 lr>1e-4 时,后者胜(按名义 lr,不分优化器)。

K0016位移族qwen正向0.86MSE、T≤500:Adam 胜无动量 SGD(并入 K1001)
族内参数:适用范围:MSE、T≤512,Adam 对同 lr 无动量 SGD
5100.0%0—
原文与操作化

When fitting continuous MSE regression targets under short step budgets (T <= ~500 steps), Adam at standard learning rates (lr ~ 1e-3) achieves substantially lower test MSE than unaccelerated SGD at the same nominal learning rate, because Adam's per-parameter gradient normalization maintains effective parameter updates of scale ~lr even after the output head aligns near the target mean and raw MSE gradients become small.

操作化:MSE 任务、T≤512、同架构:Adam/AdamW 对无动量 SGD,两者名义 lr 相同时 Adam 胜。

K0019位移族qwen正向0.80T≈500–2000:按累计位移排序优化器(并入 K1001)
族内参数:适用范围 T∈{512,1024,2048},不含 RMSprop 与动量 SGD
10586.7%2420.8%
原文与操作化

Under fixed short step budgets (T ~ 500-2000 steps) with identical architectures, candidate ranking across optimizers is determined by cumulative parameter displacement: Adam/AdamW produces sign-normalized updates yielding total displacement ~lr * T, Adagrad bounds total displacement to ~2 * lr * sqrt(T) due to step decay, and unaccelerated SGD at small learning rates on small MSE gradients produces negligible displacement (~lr * T * ||grad||); optimizers achieving larger stable cumulative displacement (e.g., AdamW lr ~ 1e-4 yielding ~0.2 displacement over 2000 steps) achieve superior convergence compared to displacement-limited optimizers.

操作化:同架构、T∈{512,1024,2048};只覆盖 Adam/AdamW、Adagrad 和不带动量的 SGD(原文没提 RMSprop 和动量 SGD);Δ 大者胜。

K0020位移族qwen正向0.59语言模型、T≤256:Adam 标准 lr 胜动量 SGD 和极小 lr(并入 K1001)
族内参数:适用范围:bigram、T=256,Adam 对动量 SGD 或极小 lr
8100.0%30.0%
原文与操作化

Under tight step budgets (T <= ~256 steps) on language modeling tasks over vocabulary size V, Adam or AdamW at standard learning rates (lr ~ 3e-4 to 1e-3) achieves substantially greater cross-entropy reduction than SGD with momentum or small-learning-rate optimizers (lr <= ~3e-5), because per-parameter gradient normalization maintains effective parameter updates of scale ~lr regardless of gradient magnitude, driving loss well below the uniform entropy baseline ln(V).

操作化:bigram、T=256、同架构:Adam/AdamW 且 lr∈[3e-4,1e-3],胜动量 SGD 或 lr≤3e-5 者。

K0031位移族qwen正向0.73T≤256:优化器和学习率压倒架构差异(并入 K1001)
族内参数:适用范围 T=256、交叉熵任务,含架构不同的对
3597.1%90.0%
原文与操作化

Under short optimization budgets (T <= ~256 steps), the choice of optimizer and effective learning rate dominates architectural differences: Adam or AdamW at standard learning rates (lr ~ 1e-3) achieves roughly 10-30x faster cross-entropy reduction than reduced learning rates (lr <= ~1e-4), whereas severely undersized learning rates (e.g., RMSprop at lr <= ~3e-5) leave output logits near initialization and test cross-entropy stuck near chance level (ln(2) ≈ 0.693).

操作化:T=256、交叉熵任务,任何配方不同的对(含架构不同):Adam/AdamW 且 lr≥1e-3 胜 lr≤1e-4 者;RMSprop 且 lr≤3e-5 输给 lr≥1e-4 的符号归一优化器。

K0044位移族qwen正向0.82XOR、T≤256:按有效步长排序
族内参数:适用范围:XOR、T=256
30100.0%110.0%
原文与操作化

On classification tasks with zero linear baseline signal (e.g., XOR-like problems), initial cross-entropy loss remains stuck near chance baseline (ln 2 ~= 0.693) until parameters undergo sufficient cumulative displacement away from initialization to form non-linear feature interactions; under short step budgets (T <= ~256 steps), candidate progress is strictly ordered by stable effective step size (e.g., Adam lr = 1e-4 vs 3e-5).

操作化:xor、T=256、同架构的不同配方:Δ 大者胜。

K0101位移族qwen正向0.73多变量、T≈2000:AdamW 高 lr 胜(并入 K1001)
族内参数:适用范围:多变量、T=2048
2100.0%0—
原文与操作化

On complex multivariate regression tasks with non-linear multiplicative and oscillatory targets under moderate step budgets (T ~ 2000 steps), AdamW at standard learning rates (lr ~ 3e-3) achieves cumulative parameter displacement ~lr * T (~6.0), enabling sufficient weight exploration to fit complex non-linear structures, whereas severely reduced learning rates (lr <= 3e-5) restrict displacement to ~0.06, leaving parameters trapped near initialization; intermediate adaptive optimizers (e.g., RMSprop at lr ~ 1e-4) yield intermediate displacement but are limited over long horizons by step-decay scaling relative to sign-normalized updates.

操作化:多变量回归、T=2048、同架构:Adam/AdamW 且 lr≥1e-3,胜 lr≤3e-5 者或 lr≤1e-4 的 RMSprop。

K0124位移族qwen正向0.81XOR:SGD(lr≤1e-3)卡在平台,自适应胜(并入 K1001)
族内参数:适用范围:XOR,自适应对 lr≤1e-3 的 SGD
1090.0%10.0%
原文与操作化

On classification tasks with zero linear baseline signal (such as XOR), raw output gradients near chance initialization are near zero, causing unaccelerated SGD or SGD with momentum at moderate learning rates (lr <= ~1e-3) to stall on the chance loss plateau (CE ≈ ln 2); adaptive optimizers (Adam/RMSprop) maintain per-parameter effective step sizes of scale ~lr regardless of raw gradient magnitude, driving cumulative parameter displacement sufficient to break symmetry and form multiplicative feature interactions.

操作化:xor 任务、同架构:Adam/AdamW/RMSprop 对 lr≤1e-3 的 SGD(含动量),自适应胜。

K0138位移族qwen正向0.69T≤256:Adagrad lr≈1e-3 胜极小 lr 的 Adam/RMSprop(并入 K1001)
族内参数:适用范围:T=256,Adagrad 对极小 lr 的 Adam/RMSprop
7100.0%0—
原文与操作化

Under short step budgets (T <= ~256 steps), Adagrad initialized with zero accumulators yields cumulative per-parameter displacement of ~2 * lr * sqrt(T) (achieving ~0.03 at lr ~ 1e-3), outperforming tiny-learning-rate RMSprop or Adam (lr <= ~3e-5, cumulative displacement ~lr * T <= ~0.008) by providing ~4x greater total parameter movement to escape near-initialization loss plateaus.

操作化:T=256、同架构:Adagrad 且 lr≥1e-3,胜 lr≤3e-5 的 Adam/AdamW/RMSprop。

K0184位移族qwen正向0.63螺旋:有效 lr≤3e-4 的 SGD 停滞(并入 K1001)
族内参数:适用范围:螺旋、T≤512,符号归一对低有效 lr 的 SGD
6100.0%0—
原文与操作化

For highly curved decision boundaries (such as 2-D spiral classification) with unnormalized inputs under short step budgets (T <= ~500 steps), unaccelerated or low-learning-rate momentum SGD (effective lr <= ~3e-4) stalls near the chance plateau where raw gradients are small, whereas sign-normalized adaptive optimizers (Adam, RMSprop) generate cumulative parameter displacement (~lr * T) independent of raw gradient scale to reshape the decision boundary.

操作化:spiral、T≤512、同架构:Adam/AdamW/RMSprop 胜有效学习率 lr/(1−m)≤3e-4 的 SGD。

K0198位移族qwen正向0.70分类、T≤256:自适应优化器按 Δ 排序
族内参数:适用范围:分类、T=256、自适应;平局时 β2=0.95 胜
64100.0%150.0%
原文与操作化

When fitting complex non-linear decision boundaries under short step budgets (T <= ~256 steps), candidate ranking across adaptive optimizers is governed by cumulative parameter displacement (~lr * T for Adam vs ~2 * lr * sqrt(T) for Adagrad); higher adaptive learning rates (lr ~ 3e-3 vs 1e-4) and reduced second-moment decay (beta2 ~ 0.95) maximize early parameter displacement to escape the chance classification plateau.

操作化:分类任务(xor/spiral/tabular)、T=256、同架构、两方都是自适应优化器:Δ 大者胜;Δ 相同时 β2=0.95 者胜。

K0228位移族qwen正向0.61XOR、T≤256:Adam lr≈3e-4 胜极小 lr 的 Adagrad(并入 K1001)
族内参数:适用范围:XOR、T=256,Adam 对极小 lr 的 Adagrad
3100.0%10.0%
原文与操作化

On classification tasks with zero linear baseline signal (such as XOR) under short step budgets (T <= ~256 steps), sign-normalizing adaptive optimizers (Adam or AdamW) at moderate learning rates (lr ~ 3e-4) achieve cumulative parameter displacement (~lr * T ≈ 0.077) nearly two orders of magnitude larger than Adagrad at severely undersized learning rates (lr <= ~3e-5, displacement ~ 2 * lr * sqrt(T) ≈ 0.001), providing sufficient parameter movement to escape the chance loss plateau (CE ≈ 0.693) and form multiplicative feature interactions.

操作化:xor、T=256、同架构:Adam/AdamW 且 lr≥3e-4,胜 lr≤3e-5 的 Adagrad。

K1001位移族soa正向0.73位移代理:同模型比较,累计位移 Δ 大者胜(合并版)
族内参数:基准成员:Δ 公式,SGD 取 g=0.01,不设 margin、不设饱和上限,同架构,T∈[256,2048]
48889.5%15612.2%
原文与操作化

Optimizer comparison,SAME model/data/budget: use Delta as a progress proxy ONLY below task/model saturation. T256 can be32epochs; neither step count nor nominal parity proves adaptive or max-Delta wins. Adam/AdamW/RMSprop:lr*T;Adagrad:2*lr*sqrt(T);SGD:lr*T*|g|/(1-m),g~.01 (bigram.003,momentumMSE.03,K1019). Check K1004/K1071-K1073 and target/batch first;close mixed-recipe estimates:K1012. Old largerDelta~85% backtests were ceiling-filtered,not a law. Byte-identical q_561d81/q_21a335 recipes reverse winners on different targets/splits. Long XOR optimizer reversal K1119 is NOT a low-rate rule;no universal ceiling.

操作化:同架构、同预算、T∈[256,2048] 的不同配方对,按 Δ 取大。Δ:Adam/AdamW/RMSprop 为 lr·T,Adagrad 为 2·lr·√T,SGD 为 lr·T·g/(1−m),g 取原文默认 0.01。原文的“只在饱和以下”没有给出可执行阈值,单独使用时不做饱和过滤;原文括注的分族校准(bigram .003、动量 MSE .03)引自 K1019,由 K1019 这条规则提供。

K1004位移族soa否决0.62多变量 MSE:Adam/RMSprop 学习率比 ≥3 不足以判胜负
族内参数:适用范围排除(多变量 MSE 的 Adam 对 RMSprop)
16—0—
原文与操作化

Multivariate plain MSE,SAME model/data/budget: Adam/RMS rate ratio>=3 is NOT sufficient. Plain d5w192 GELU/LN11001,wd0,b16,Adam(.9,.999),RMS.0003: on nested0eb811 Adam.003 loses atT256 by+.0303874 MSE,paired95%CI[.0102102,.0498590],2/10Adam seedwins;T1024 gap+.0817989 butCI crosses0. Same deep polynomial5a829e: equal-rate Adam.0003 beatsRMS atT256/1024 by.00863518/.0121065,bothCIs<0. Shallow resd1w16 GELU/zeroLN,T256/b16:equal-rateRMS.0003 wins4/4targets(K1187). Old ratio>=3 history32/32(19questions),lab16/16(shallowT256) did NOT transfer. Rb5002830bf:16fresh1024paths/160seeds/fail0;T256 prefixes,not reruns. K1114's SAME-AdamW caution cannot rank cross-optimizer pairs.

操作化:多变量回归、MLP、T∈[256,1024],Adam/AdamW 对 RMSprop 的同架构对:禁止按 Δ 下结论。

K1012a位移族soa正向0.73混合配方:Δ 差 ≥4 倍且在饱和以下,Δ 大者胜
族内参数:适用范围扩到架构不同的对(Δ 比 ≥4 且小者 <0.3)
28092.5%808.8%
原文与操作化

Mixed-optimizer/architecture rankings: close Delta estimates are NOT winner evidence; even a25% edge is inconclusive. Below task/model saturation,old >=4x gap favors progress35/40;within3x architecture wins11/19,only a weak preference. Once both Delta>=.3,extra wins~62%;check task/model/budget(K1004/K1063/K1071-K1073). Delta<.005 does NOT establish tied CE=lnV/ln2 or MSE=Var(y): initialization logit scale and target mean affect baseline loss. Do not turn weak architecture tendencies into a complete rank there. Nominal parity supplies no automatic adaptive-over-SGD tie-break(q_826eab),nor RMSprop-over-Adagrad law.

操作化:K1012 拆出的第一条主张。只管架构和配方都不同的对;小的一方 Δ<0.3(原文“两者都 ≥.3 后只有 62%”)且两者 Δ(K1019 校准)相差 ≥4 倍时,Δ 大者胜(原文 35/40)。

K1012b位移族soa否决0.73Δ 接近(差 <25%)不构成胜负证据
族内参数:margin:Δ 相差不到 25% 不下结论
106—0—
原文与操作化

Mixed-optimizer/architecture rankings: close Delta estimates are NOT winner evidence; even a25% edge is inconclusive. Below task/model saturation,old >=4x gap favors progress35/40;within3x architecture wins11/19,only a weak preference. Once both Delta>=.3,extra wins~62%;check task/model/budget(K1004/K1063/K1071-K1073). Delta<.005 does NOT establish tied CE=lnV/ln2 or MSE=Var(y): initialization logit scale and target mean affect baseline loss. Do not turn weak architecture tendencies into a complete rank there. Nominal parity supplies no automatic adaptive-over-SGD tie-break(q_826eab),nor RMSprop-over-Adagrad law.

操作化:K1012 拆出的第二条主张。配方不同的任何对,两者 Δ(K1019 校准)相差不到 25% 时禁止下结论。

K1019位移族soa正向0.72SGD 对自适应:按分族校准的 Δ 比较
族内参数:SGD 梯度尺度校准 g(bigram 0.003、动量 MSE 0.03)
17693.8%287.1%
原文与操作化

SGD vs ADAPTIVE optimizers: family-calibrated Delta is a proxy,NOT a plain-vs-momentum SGD rule. Fit368pairs. MSE momentum.9 raw|g|~.03: Adam-equivalent lr/3,largerDelta correct59/71 vs54/71 at .01; wins11/19 when adaptiveDelta<=4x its .01-estimate. Classification131/146 and plainSGD MSE keep .01;do NOT infer a momentum bonus at equal lr/(1-m). Bigram |g|~.003:m.9 ~Adam lr/30,plain~lr/300;correct68/70 vs63/70 at .01. Momentum LM beats adaptive1/18,nominal parity1/4. PlainSGD wins3/141 when adaptiveDelta>15x larger. MLP calibration assumes>=1LN;zeroLN:K1038. Parity needs direct matched evidence(R838be7703a),NOT this multiplier.

操作化:只管恰好一方是 SGD 的同架构对;MLP 须至少一层 LayerNorm(原文:零 LN 见 K1038)。g:bigram 0.003,MSE 且带动量 0.03,其余 0.01;Δ 大者胜。

K1071位移族soa正向0.61Bigram:位移超带反而输
族内参数:饱和带(bigram,d_model≤64 时 0.1–0.3;超带反转)
5096.0%90.0%
原文与操作化

Bigram LM,SAME model/data only: neither lower RMSprop rate nor Delta .1-.3 is a safety rule. Do NOT penalize RMSprop across changed widths/depth/FF or rank recipes by nearest-.2. GRU64x1,V24/L24/alpha.8,T256/b16: Adam/RMS.003 beat AdamW.0003(q_53593d);longer GRU reversals onlyK1152's exact rates. Legacy d32/d64 band:>=2x extraDelta loses TF43/44,GRU5/6(CE+2-20%);below band higher wins13/13,14/15. d128 .03-.1 rivals beat larger11/11,not a universal width penalty; conservative<.03 need not freeze(K1102). q_409769 heads2/FF64/wd.001/T512 RMS.003 wins outside older controls(Rabae8971ee). Nearest-.2 52/65 is confounded;data/init/budget matter.

操作化:bigram 同模型对。d_model≤64:小的一方 Δ 在 0.1–0.3 带内、大的一方 ≥2 倍时,Δ 小者胜;两者都 <0.1 时 Δ 大者胜。d_model=128:小的一方在 0.03–0.1、大的一方 >0.1 时,Δ 小者胜。Δ 用 K1019 校准。

K1072位移族soa正向0.71单变量 MSE:Δ≥1 有过冲风险,适中 Δ 胜
族内参数:饱和上限(单变量 MSE,Δ≥1 时取适中者)
1100.0%0—
原文与操作化

Univariate MSE,SAME depth>=2 width>=64 MLP: Delta>=1 is a relative overshoot RISK,not automatic loss to Delta.1-.5. Older high wins:w64 0/12(MSE x8.8),w128 5/18(x5.5),w256 1/13(x4.4);controlled moderate wins11/12. Counterexample K1115:zeroLN d2/w128 LeakyReLU Adam,T2048,Delta6.144 MSE.01578 beats Delta.2048 MSE.35314;q_af3ba4 also favors high over most slow recipes. No universal zeroLN exemption or near-frozen rival cutoff. Width<=32,depth1 and multivariate are outside this scope,NOT high-rate safety evidence(multivariate K1114/K1117). Check target,optimizer,budget and trained rival.

操作化:单变量回归、MLP depth 2–5、width 64–256、两方都是自适应优化器:大的一方 Δ≥1、小的一方 Δ 在 0.1–0.5 时,取小者(原文历史上高 Δ 只赢 6/43,受控实验适中赢 11/12)。原文说这是“风险,不是自动输”,也可读成只禁止下结论。

K0012位移族qwen正向0.76MSE、T≈256:动量 SGD 胜无动量 SGD
族内参数:动量校准:同 lr 的 SGD,动量大者有效 lr 大
0—0—
原文与操作化

When fitting continuous targets with a large constant offset |E[y]| >> output_init, SGD with momentum m scales effective learning rate to lr / (1 - m) with a bias adaptation time constant of ~1 / (2 * lr / (1 - m)) steps; under tight step budgets (T ~ 256), this enables rapid early bias alignment and MSE reduction compared to unaccelerated optimizers.

操作化:MSE 任务、T=256、同架构的两个 SGD,lr 相同、动量不同:动量大者胜。

K0015位移族qwen正向0.86小 lr Adam:β2=0.95 胜 0.999
族内参数:平局规则:同 lr 小 Adam 时 β2=0.95 胜 0.999
0—0—
原文与操作化

Under tight step budgets (T <= ~500 steps) at small Adam/AdamW learning rates (lr <= ~1e-4), lowering the second-moment decay factor from beta2 = 0.999 to beta2 = 0.95 accelerates convergence by enabling second-moment variance tracking to adapt within fewer steps (~1 / (1 - beta2)), providing faster effective step-size calibration and superior early loss reduction.

操作化:T≤512、同架构 Adam/AdamW 对,两者 lr 相同且 ≤1e-4、β2 不同:β2=0.95 者胜(其他不变)。

K0073位移族qwen正向0.74多变量、T≤256:Adam lr≈3e-4 胜 lr≤3e-5(并入 K1001)
族内参数:适用范围:多变量、T=256,Adam 高 lr 对极小 lr
0—0—
原文与操作化

Under short step budgets (T <= ~256 steps) on continuous multivariate regression tasks, Adam at standard learning rates (lr ~ 3e-4) achieves cumulative parameter displacement of ~lr * T (~0.08), enabling substantial fitting of non-linear target interactions, whereas Adam at severely reduced learning rates (lr <= 3e-5) restricts displacement to ~0.008, leaving parameters trapped near initialization with minimal capacity to fit complex non-linear structure.

操作化:多变量回归、T=256、同架构的 Adam/AdamW 对:lr≥3e-4 胜 lr≤3e-5。

K0166位移族qwen正向0.38Bigram Transformer:Adam 胜 Adagrad 与动量 SGD(并入 K1001)
族内参数:适用范围:bigram Transformer、T=256
0—0—
原文与操作化

On bigram next-token prediction tasks using transformer language models under short step budgets (T <= ~256 steps), candidate progress is governed by parameter displacement speed in token embeddings and output heads; sign-normalized adaptive optimizers (Adam/AdamW at lr ~ 3e-4) achieve cumulative parameter displacement of ~lr * T, outperforming Adagrad (whose displacement decays as ~2 * lr * sqrt(T)) and momentum SGD (whose updates scale with raw cross-entropy gradients that shrink once logits match the unigram marginal distribution).

操作化:bigram、Transformer、T=256、同架构:Adam/AdamW 且 lr≥3e-4,胜 Adagrad 或动量 SGD。

K0212位移族qwen正向0.62XOR、T≈2000:Adam lr 1e-3 胜 3e-4(并入 K1001)
族内参数:适用范围:XOR、T=2048,Adam 对 Adam
0—0—
原文与操作化

On classification tasks with zero linear baseline signal (such as XOR), Adam or AdamW at standard learning rates (lr ~ 1e-3) achieves cumulative parameter displacement of ~lr * T (~2.0 over T ~ 2000 steps) sufficient to fully escape the chance loss plateau and drive test cross-entropy well below 0.2, whereas reduced learning rates (lr ~ 3e-4) restrict cumulative displacement to ~0.6, leaving the model mid-transition at the budget limit.

操作化:xor、T=2048、同架构 Adam/AdamW 对:lr 大者胜。

K0329D* 族(K0329)qwen正向0.50架构选择的位移临界点 D*≈0.05
族内参数:临界点 D*(原文 0.05);D 由位移族的 Δ 公式算出
33768.5%10933.0%
原文与操作化

The architecture-selection regime boundary is at critical displacement D* ≈ 0.05: for D < D* the per-layer gradient-preservation multiplier dominates and each LayerNorm layer contributes effective displacement gain ×1.4 (so k LayerNorm layers ≈ 1.4^k boost), making normalization coverage the primary differentiator; for D > D* representational capacity dominates and the ranking inverts to depth ≥ width > residual > LayerNorm-coverage, with the transition sharp within ±0.01 of D*.

操作化:同优化器、不同 MLP 架构:由共享配方算 Δ(K0019/K1001 公式,SGD 取 g=0.01)。Δ<0.05 时 LayerNorm 层数多者胜;Δ>0.05 时按 depth、width、residual、LN 层数依次取大。Δ 由位移规则提供,这是一条前提链。

K0030螺旋深残差qwen正向0.76螺旋:深残差 LN 网络胜浅层无 LN 网络
族内参数:范围:T≤512、自适应且 lr≥1e-3;对手是 depth≤2 且无 LN
3100.0%10.0%
原文与操作化

Fitting complex non-linear decision boundaries (such as a 2-turn spiral) under short step budgets (T <= ~500 steps) requires deep residual architectures (depth 4-6 with LayerNorm) paired with adaptive optimizers at standard learning rates (lr ~ 1e-3); underpowered optimizers or shallow unnormalized networks remain trapped near initialization at chance binary cross-entropy (CE ≈ ln(2) ≈ 0.693), whereas adaptive deep residual MLPs achieve substantially lower test loss (CE < ~0.5).

操作化:spiral、T≤512、同优化器且为自适应、lr≥1e-3:depth 4–6 且 residual 且有 LN 者,胜 depth≤2 且无 LN 者。

K0038螺旋深残差qwen正向0.66螺旋:≥3 层残差 LN 胜 1–2 层浅网络
族内参数:范围:对手是 depth≤2 且宽度相差不超过 2 倍
1080.0%40.0%
原文与操作化

On complex 2-D classification tasks with high-frequency decision boundaries (e.g., multi-turn spirals), deep normalized residual MLPs (>=3 residual blocks with LayerNorm) achieve higher decision-boundary curvature and faster cross-entropy reduction per step than shallow MLPs (1-2 hidden layers) of comparable width, which require substantially larger width and longer step budgets to resolve intricate boundary turns.

操作化:spiral、同优化器:depth≥3 且 residual 且有 LN 者,胜 depth≤2 且宽度相差不超过 2 倍者。

K0052K0052qwen正向0.54Bigram、T≤256:单层 Transformer 胜多层
族内参数:范围:T=256、lr∈[3e-4,3e-3]
955.6%10.0%
原文与操作化

For first-order lookup tasks such as bigram next-token prediction under short step budgets (T <= ~256 steps), shallow single-layer transformer architectures trained at standard learning rates (lr ~ 1e-3) achieve faster cross-entropy reduction than deeper multi-layer stacks (e.g., 4-layer post-LayerNorm), because single-layer models directly map token embeddings to output logits without optimization overhead or backpropagation attenuation through unnecessary hidden layers.

操作化:bigram、T=256、同优化器、lr∈[3e-4,3e-3]:1 层 Transformer 胜 ≥2 层 Transformer。

K0238K0238qwen正向0.58Bigram、T≤512:GRU 胜 Transformer
族内参数:范围:T≤512
17100.0%80.0%
原文与操作化

On bigram language modeling tasks where the target distribution depends strictly on immediate preceding tokens P(y_t | x_{t-1}), recurrent architectures (such as 2-layer GRUs) achieve superior sample efficiency and faster convergence under short step budgets (T <= ~512 steps) compared to transformer architectures, because recurrent hidden state propagation directly captures single-step temporal lookup without requiring learned positional encodings or attention patterns.

操作化:bigram、T≤512、同优化器:GRU 胜 Transformer。

K0055K0055qwen正向0.58表格分类、T≤256:3–4 层残差胜 ≥5 层
族内参数:范围:T=256
475.0%0—
原文与操作化

For tabular classification under short step budgets (T <= ~256 steps), moderate-depth residual architectures (3-4 hidden layers) achieve faster loss reduction than deeper non-residual or over-deep stacks (depth >= 5 blocks) because residual shortcut paths allow early shallow-like signal propagation while preserving nonlinear expressive capacity.

操作化:tabular、T=256、同优化器:residual 且 depth 3–4 者,胜 depth≥5 者。

K0078K0078qwen正向0.60极小 lr:全层 LN 的非残差 MLP 胜部分 LN
族内参数:范围:T≤512、lr≤3e-5
1100.0%0—
原文与操作化

At small learning rates (lr <= ~3e-5) and tight step budgets (T <= ~512 steps), non-residual MLPs with LayerNorm on all hidden layers achieve faster convergence than partially normalized configurations, because maintaining unit-RMS activations across all layers prevents cumulative forward signal attenuation (~0.4-0.5x per unnormalized layer) and maximizes network output sensitivity per unit parameter displacement.

操作化:T≤512、同优化器且 lr≤3e-5:非残差且每层都有 LN 者,胜部分层有 LN 者。

K0033K0033qwen正向0.57小 lr:pre-LN 残差起步慢
族内参数:范围:T=256、lr≤1e-4
4223.8%1172.7%
原文与操作化

In pre-activation LayerNorm residual MLPs trained with small learning rates (lr <= ~1e-4) under short step budgets (T <= ~256 steps), the dominant identity path keeps early predictions near a linear mapping until residual branch weights grow, slowing early logit displacement and compounding optimization latency compared to non-residual or unnormalized architectures.

操作化:T=256、同优化器且 lr≤1e-4:非残差或无 LN 者,胜 residual 且有 LN 者。

K0249K0249qwen正向0.45窄浅网络:残差+LN 胜同深同宽的纯前馈
族内参数:范围:tabular/xor、T=256、depth 2–3、width≤32
0—0—
原文与操作化

For shallow, narrow MLPs (depth 2-3, width <= 32) on non-linear binary classification with piecewise feature interactions under short step budgets (T <= ~256 steps) trained with Adam at standard learning rates (lr ~ 1e-3), architectures combining residual connections and LayerNorm achieve lower test cross-entropy than plain feedforward architectures of identical depth and width, because LayerNorm stabilizes pre-activation distributions against gradient saturation while residual paths enable incremental feature updates to escape near-chance loss plateaus.

操作化:tabular/xor、T=256、同优化器 Adam/AdamW 且 lr∈[3e-4,3e-3]、depth 2–3、width≤32 且两方深宽相同:residual 且有 LN 者胜无残差无 LN 者。

K0236K0236qwen正向0.44单变量、无动量 SGD:深残差胜浅非残差
族内参数:范围:T=256、无动量 SGD、lr≥1e-3
0—0—
原文与操作化

On non-linear univariate regression tasks under short step budgets (T <= ~256 steps) with unaccelerated SGD at moderate learning rates (lr ~ 3e-3), residual connections enable deeper MLPs (depth >= 4) to achieve lower test MSE than shallower non-residual MLPs (depth 2-3), because identity shortcuts preserve direct gradient pathways (~lr * T * ||grad||) across all layers, preventing the compounding gradient attenuation through sequential weight matrices that restricts early-layer parameter displacement in non-residual networks.

操作化:单变量回归、T=256、同优化器为无动量 SGD 且 lr≥1e-3:residual 且 depth≥4 者,胜非残差 depth 2–3 者。

复现与口径

python3 kb_price/scripts/kbp_compute.py # 从已有数据算出 data/results.json python3 kb_price/scripts/kbp_page.py # 生成本页 SAI_PUBLIC=1 python3 kb_price/scripts/kbp_compute.py && SAI_PUBLIC=1 python3 kb_price/scripts/kbp_page.py # 对外版:模型名匿名为 Frontier-1…10

只读的数据源:aiq_bench_repo/data/v1_review/v15_questions.json(题目、结构化候选、10 种子真值)、v15_curves/(截断曲线)、data/evals/server_results/aiq/v15_main500_p2/(闭卷模型逐题答案)、aiq_rl/data/kb_scratch/kb_evolve_*(qwen KB 与部署实验)、kb_science_loop/soa_async_v1/kb_live.json(soa KB)。截断口径复现了已有面板:ρ = 10% 时 79.4%。下表是闭卷模型的复核;最强模型逐题文件给出的准确率与面板相差 1.2 点(面板用的快照不在本机),其余基本一致。

闭卷模型本文重算准确率本文 ρ*面板准确率面板 ρ*优化器题架构题混合题
GPT-5.6 Sol76.4%7.0%77.6%8.5%86.9%58.2%84.6%
Claude Opus 576.0%7.0%76.0%7.0%86.3%61.2%80.9%
DeepSeek V4 Flash70.6%4.5%70.4%4.5%85.1%47.6%79.6%
DeepSeek V4 Pro68.4%4.0%68.3%4.0%83.3%43.5%79.0%
GPT-5.6 Luna67.8%3.5%67.8%3.5%85.1%42.4%76.5%
Gemini 3.1 Pro66.8%3.0%66.8%3.0%85.1%41.8%74.1%
Claude Sonnet 565.4%2.5%65.4%2.5%83.3%38.2%75.3%
GPT-4o60.2%1.5%60.2%1.5%70.2%52.4%58.0%
DeepSeek R159.0%1.0%59.4%1.5%71.4%41.2%64.8%
Gemini 2.5 Pro55.8%1.0%55.8%1.0%69.6%37.1%61.1%